[논문 리뷰] Network Classification in Temporal Networks Using Motifs

Kun Tu, Jian Li외 3명|arXiv (Cornell University)|2018. 07. 10.

Complex Network Analysis Techniques참고 문헌 21인용 수 11

한 줄 요약

이 논문은 시간적 네트워크를 분류하기 위해 시간적 네트워크 모티프의 분포를 근거로 한 모티프 기반 네트워크 임베딩 방법을 제안한다. 이는 빈도가 무작위 기대값에서 유의미하게 벗어나는지 평가하기 위해 근거 모델(null model)을 사용한다. 결과적으로 시간적 및 정적 모티프 특징을 조합함으로써 struc2vec과 같은 최신 기법들보다 분류 정확도를 최대 10% 향상시키며, 네트워크 유형 분류나 행동 패tern으로부터 개인 식별과 같은 과제에서 뛰어난 성능을 보인다.

ABSTRACT

Network classification has a variety of applications, such as detecting communities within networks and finding similarities between those representing different aspects of the real world. However, most existing work in this area focus on examining static undirected networks without considering directed edges or temporality. In this paper, we propose a new methodology that utilizes feature representation for network classification based on the temporal motif distribution of the network and a null model for comparing against random graphs. Experimental results show that our method improves accuracy by up $10\%$ compared to the state-of-the-art embedding method in network classification, for tasks such as classifying network type, identifying communities in email exchange network, and identifying users given their app-switching behaviors.

연구 동기 및 목표

• 시간적 네트워크에서 네트워크 분류를 위한 특징 표현을 개발하여 구조적 패턴과 동적 패턴을 모두 포괄한다.
• 시간적 모티프가 네트워크 유형 분류나 개인 네트워크 식별에 정적 모티프보다 더 구분력 있는 정보를 제공하는지 조사한다.
• 실제 시간적 네트워크 분류 과제에서 최신 기법인 struc2vec과 비교하여 모티프 기반 임베딩의 성능을 평가한다.
• 정적 및 시간적 모티프 특징을 조합함으로써 네트워크 식별 및 분류 성능을 향상시키는 데 효과적인지 평가한다.

제안 방법

• 이 방법은 시간적 및 정적 네트워크 모티프에서 유도된 하위그래프 비율 프로파일(SRPs)을 사용하여 고정 길이의 특징 벡터를 구성한다.
• 관측된 모티프 빈도가 무작위 기대값에서 유의미하게 벗어나는지 판단하기 위해 근거 모델을 적용한다.
• 시간적 모티프는 타임스탬프가 부여된 방향성 있는 간선의 시퀀스 상의 유도된 부분그래프로, 구조적 위상과 시간적 순서를 모두 포괄한다.
• 시간적 및 정적 모티프에 대해 SRP를 계산하고, 이를 연결하여 하이브리드 특징 표현을 형성한다.
• 실제 데이터셋에 대해 여러 기계학습 모델(XGBoost, SVM, 랜덤 포레스트, AdaBoost)을 적용한다.
• 정확도 평가의 신뢰성을 확보하기 위해 그리드 서치와 10겹 교차검증을 통해 하이퍼파ram터를 최적화한다.

실험 결과

연구 질문

• RQ1 시간적 모티프 분포는 정적 모티프 분포에 비해 네트워크 분류 정확도를 향상시킬 수 있는가?
• RQ2 정적 및 시간적 모티프 특징을 조합하면 개별적으로 사용할 경우보다 네트워크 식별 과제에서 더 높은 성능을 낼 수 있는가?
• RQ3 제안된 모티프 기반 임베딩은 네트워크 유형 분류 및 행동 네트워크에서 개인 식별 과제에서 최신 기법인 struc2vec보다 어떻게 비교되는가?
• RQ4 시간적 동역학을 통합할 경우 네트워크 임베딩의 구분 능력이 얼마나 향상되는가?

주요 결과

• 시간적 모티프 기반 임베딩은 네트워크 유형 분류 과제에서 최신 기법인 struc2vec에 비해 최대 10% 높은 정확도를 기록했다.
• 시간적 및 정적 모티프 특징의 조합(Temp+Static)은 개별 구성 요소보다 유의미하게 높은 성능을 보였으며, 이는 구조적 패턴과 동적 패턴 간의 상호보완적 정보를 반영한다.
• 시간적 및 정적 모티프 특징를 연결한 XGBoost가 테스트된 모든 모델 중에서 가장 높은 정확도를 달성했다.
• 시간적 정보만으로도 정적 표현에 비해 유의미한 성능 향상을 보였으며, 이는 네트워크 특성화에서 동역학의 가치를 확인한다.
• 제안된 방법은 이메일 네트워크의 부서 식별 및 앱 전환 행동에서의 사용자 식별을 포함한 다양한 데이터셋과 과제에서 struc2vec을 일관되게 뛰어넘었다.
• 결과적으로 모티프 기반 임베딩이 다양한 크기와 시간 주기의 네트워크 분류에 효과적임을 입증하였으며, 강력하고 확장 가능한 솔루션을 제공한다.